لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش کیمیای الگوریتم: رمزگشایی از اسرار یادگیری ماشین
- آخرین آپدیت
دانلود Algorithm Alchemy: Unlocking the Secrets of Machine Learning
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
این دوره شامل مربی هوشمند کورسرا (Coursera Coach) است!
روشی هوشمندانه برای یادگیری از طریق گفتگوهای تعاملی و آنی که به شما کمک میکند دانش خود را بسنجید، فرضیات را به چالش بکشید و همزمان با پیشروی در دوره، درک عمیقتری از مطالب کسب کنید.
در این دوره، شما اسرار الگوریتمهای یادگیری ماشین (Machine Learning) را کشف خواهید کرد و یاد میگیرید که چگونه آنها را در زبان پایتون برای حل مسائل واقعی دادهها پیادهسازی کنید. شما هر دو دسته الگوریتمهای یادگیری نظارت شده (Supervised) و نظارت نشده (Unsupervised) را بررسی کرده و تجربه عملی در تکنیکهایی مانند رگرسیون خطی، درخت تصمیم و مدلهای یادگیری عمیق کسب خواهید کرد. با هر درس، مهارتهای خود را برای بهکارگیری مؤثر روشهای یادگیری ماشین، از مدلهای پایه تا تکنیکهای پیشرفته، ارتقا میدهید.
سفر ما با مفاهیم بنیادی یادگیری ماشین آغاز شده و با پیادهسازی عملی الگوریتمهای مختلف ادامه مییابد. شما روشهای نظارت شده مانند رگرسیون خطی، KNN و ماشینهای بردار پشتیبان (SVM) و همچنین تکنیکهای یادگیری نظارت نشده مانند خوشهبندی K-Means، تحلیل مؤلفههای اصلی (PCA) و اتوانکودرها را فرا خواهید گرفت. هر بخش شامل تجربیات کدنویسی عملی است تا اعتماد به نفس لازم برای بهکارگیری این متدها در سناریوهای واقعی را به دست آورید.
این دوره همچنین به مباحث پیشرفتهای نظیر یادگیری تقویت عمیق (Deep Reinforcement Learning)، شبکههای عصبی پیچشی (CNN)، شبکههای عصبی بازگشتی (RNN) و مدلهای ترنسفورمر (Transformer) میپردازد. این تکنیکهای پیشرو به شما کمک میکنند تا مدلهای پیشبینی قدرتمند بسازید، تشخیص ناهنجاریها را انجام دهید و وظایف پیچیده را در حوزههای مختلف حل کنید.
این دوره برای افرادی که به دنبال تعمیق دانش خود در الگوریتمهای یادگیری ماشین و نحوه پیادهسازی آنها با پایتون هستند، ایدهآل است. این محتوا برای دانشمندان داده آینده، مهندسان یادگیری ماشین و هر کسی که علاقه شدیدی به هوش مصنوعی (AI) دارد، مناسب است. داشتن دانش قبلی در برنامهنویسی پایتون توصیه میشود و درک پایه از آمار به یادگیری مؤثرتر مفاهیم کمک خواهد کرد. سطح این دوره متوسط است و برای یادگیرندگانی طراحی شده که آمادهاند به اعماق دنیای یادگیری ماشین نفوذ کنند.
سرفصل ها و درس ها
مقدمهای بر الگوریتمهای یادگیری ماشین و پیادهسازی در پایتون
Introduction to Machine Learning Algorithms and Implementation in Python
مقدمهای بر الگوریتمهای یادگیری ماشین و پیادهسازی در پایتون
Introduction to Machine Learning Algorithms and Implementation in Python
الگوریتمهای یادگیری نظارت شده
Supervised Learning Algorithms
پیادهسازی رگرسیون خطی در پایتون
Linear Regression Implementation in Python
پیادهسازی رگرسیون Ridge و Lasso در پایتون
Ridge and Lasso Regression Implementation in Python
پیادهسازی رگرسیون چندجملهای در پایتون
Polynomial Regression Implementation in Python
پیادهسازی رگرسیون لجستیک در پایتون
Logistic Regression Implementation in Python
پیادهسازی K-نزدیکترین همسایه (KNN) در پایتون
K-Nearest Neighbors (KNN) Implementation in Python
پیادهسازی ماشینهای بردار پشتیبان (SVM) در پایتون
Support Vector Machines (SVM) Implementation in Python
پیادهسازی درخت تصمیم در پایتون
Decision Trees Implementation in Python
پیادهسازی جنگل تصادفی (Random Forests) در پایتون
Random Forests Implementation in Python
پیادهسازی Gradient Boosting در پایتون
Gradient Boosting Implementation in Python
پیادهسازی Naive Bayes در پایتون
Naive Bayes Implementation in Python
نمایش نظرات